Учебная аналитика в традиционном образовании: ее роль и результаты

На сферу высшего образования сегодня оказывают большое воздействие массовизация, цифро-визация и бюрократизация. Массовизация привела к неизбежной проблеме академической неоднородности и необходимости адаптивного обучения, цифровизация - к преподаванию с применением дистанционных технологий и, в результате, к производству учебных данных, а бюрократизация - к оценке качества работы образовательных организаций на основе в большинстве своем количественных показателей. На пересечении этих феноменов сформировалось новое направление научных исследований и прикладных разработок -учебная аналитика. За рубежом учебная аналитика активно обсуждается и развивается, разрабатываются государственные политики, ее регулирующие и стимулирующие, создаются профессиональные ассоциации специалистов в данной сфере. Сторонники учебной аналитики считают, что данные, собираемые и осмысливаемые в образовательной организации, позволяют принимать более объективные решения, чем те, что основаны на экспертных мнениях. Учебная аналитика воспринимается ими как необходимый инструмент для определения в образовательных программах «узких мест» и выявления учебных траекторий обучающихся, что необходимо для индивидуализации обучения и перехода к адаптивности. Противники же учебной аналитики видят в ней угрозу текущей расстановке сил в образовании, ролям преподавателя и управленца, указывают на специфические компетенции и высокие риски утечки персональных данных. Россия пока находится, скорее, вне глобальной дискуссии: отдельные кейсы стали появляться лишь в последнее время, а учебная аналитика все еще входит для наших соотечественников в число потенциальных направлений развития.

Предлагаемая обзорная статья призвана дать представление о современном понимании учебной аналитики, истории развития этого направления научных исследований и прикладных разработок в мире и в России, перспективах и ограничениях его применения в нашей стране с позиции ключевых интересантов высшего образования, а также предложить рекомендации руководителям вузов по организации системы учебной аналитики.

Эта статья будет полезна руководителям вузов для принятия управленческих решений относительно организации системы управления учебными данными, включающей их сбор, анализ и использование, а также преподавателям и исследователям высшего образования.

1. A global framework of reference on digital literacy skills for indicator 4.4. 2. 2018] / N. Law, D. Woo, J. Torre de la, G. Wong // UNESCO UIS : [сайт]. URL: http://uis.unesco.org/sites/default/files/documents/ip51-global-framework-reference-digital-literacy-skills-2018-en.pdf (дата обращения: 23.06.2020).

2. Buckingham Shum S. J., Luckin R. Learning analytics and AI: Politics, pedagogy and practices // British journal of educational technology. 2019. Vol. 50, no 6. P. 2785-2793. DOI: 10.1111/bjet.12880.

3. Siemens G., Long P. Penetrating the fog: Analytics in learning and education // EDUCAUSE review. 2011. Vol. 46, no 5. P. 30-38.

4. O’Farrell L. Using Learning Analytics to Support the Enhancement of Teaching and Learning in Higher Education // National Forum for the Enhancement of Teaching and Learning in Higher Education. 2017. URL: https://www.teachingandlearning.ie/publication/using-learning-analytics-to-support-the-enhancement-of-teaching-and-learning-in-higher-education/ (дата обращения: 11.06.2020).

5. McGraw-Hill Education. Are learning analytics the new ‘likes’? 87 % of college students perform better with access to personalized data, new research finds // McGraw-Hill Education. 2015. URL: https://www.mheducation.com/news-media/press-releases/learning-analytics-new-likes-college-better-access-personalized-data-new-research. html (дата обращения: 11.06.2020).

6. Загирова Ф. Р. Академическая неоднородность студентов и управление вузами: формирование исследовательской повестки // Университетское управление: практика и анализ. 2018. Т. 22, № 3 (115). С. 141-154. DOI: 10.15826/umpa.2018.03.033.

7. Exploring the potential of LMS log data as a proxy measure of student engagement / C. R. Henrie, R. Bodily, R. Larsen, C. Graham // Journal of Computing in Higher Education. 2018. Vol. 30, no 2. P 344-362. DOI: 10.1007/s12528-017-9161-1.

8. Tempelaar D. T., Rienties B., Giesbers B. In search for the most informative data for feedback generation: Learning analytics in a data-rich context // Computers in Human Behavior. 2015. Vol. 47. P. 157-167. DOI: 10.1016/j.chb.2014.05.038.

9. Горлушкина Н. Н., Коцюба И. Ю., Хлопотов М. В. Задачи и методы интеллектуального анализа образовательных данных для поддержки принятия решений // Образовательные технологии и общество. 2015. Т. 18, № 1. C. 472-482.

10. Патаракин Е. Д. Использование учебной компьютерной аналитики для поддержки совместной сетевой деятельности субъектов образования // Образовательные технологии и общество. 2014. Т. 17, № 2. С. 538-554.

11. Sclater N., PeasgoodA., Mullan J. Learning analytics in higher education. London : Jisc, 2016. 176 p.

12. Sclater N. Rolling Out Learning Analytics at a National Level // EDUCAUSE Review Online. 2019. URL: https://er.educause.edu/articles/2019/6/rolling-out-learning-analytics-at-a-national-level (дата обращения: 11.06.2020).

13. Wong B. T.M. Learning analytics in higher education: an analysis of case studies // Asian Association of Open Universities Journal. 2017. Vol. 12, no 1. P 21-40. DOI: 10.1108/aaouj-01-2017-0009.

14. Tang S. F., Hussin S. Quality in higher education: A variety of stakeholder perspectives // International Journal of Social Science and Humanity. 2011. Vol. 1, no 2. P. 126. DOI: 10.7763/ijssh.2011.v1.21.

15. Harvey L., Green D. Defining quality //Assessment & evaluation in higher education. 1993. Vol. 18, no 1. P 9-34. DOI: 10.1080/0260293930180102.

16. Кондратенко Б. А., Кондратенко А. Б. Анализ данных - будущее образования // Гуманитарные технологии в современном мире : материалы VI Международной научно-практической конференции, Калининград, 17-19 мая 2018 г. Калининград, 2018. С. 124-129.

17. Siemens G., Dawson S., Lynch G. Improving the quality and productivity of the higher education sector // Policy and Strategy for Systems-Level Deployment of Learning Analytics. Canberra, Australia : Society for Learning Analytics Research for the Australian Office for Learning and Teaching, 2013. 31 p.

18. Nottingham Trent University. NTU Student Dashboard: Introduction to the Dashboard // Nottingham Trent University. 2017. URL: https://www4.ntu.ac.uk/adq/document_uploads/running_a_course/164304.pdf (дата обращения: 11.06.2020).

19. Lim C. P., Tinio V. L. Learning analytics for the global south // Quezon City, Philippines: Foundation for Information Technology Education and Development. 2018. URL: https://digital.fundacionceibal.edu.uy/jspui/bitstream/123456789/243/3/Learning-Analytics-Full-Paper-2. pdf (дата обращения: 11.06.2020).

20. Arnold K. E., Pistilli M. D. Course signals at Purdue: Using learning analytics to increase student success // Proceedings of the 2nd international conference on learning analytics and knowledge. ACM. 2012. P. 267-270. DOI: 10.1145/2330601.2330666.

21. Оськин А. Ф., Оськин Д. А. Применение интеллектуального анализа образовательных данных для прогнозирования успешности учебной деятельности // Вестник Полоцкого государственного университета. Серия С: Фундаментальные науки. 2016. № 4. С. 8-12.

22. Панченко В. М. Экспериментальный программный комплекс для моделирования и интерпретации процессов анализа образовательных данных // Современные информационные технологии и ИТ-образование. 2017. Т. 13, № 4. С. 207-215.

23. Clow D. The learning analytics cycle: closing the loop effectively // Proceedings of the 2nd international conference on learning analytics and knowledge. 2012. P. 134-138. DOI: 10.1145/2330601.2330636.

24. Fritz J. Classroom walls that talk: Using online course activity data of successful students to raise self-awareness of underperforming peers // The Internet and Higher Education. 2011. Vol. 14, no 2. P 89-97. DOI: 10.1016/j.iheduc.2010.07.007.

25. Educational data mining applications and tasks: A survey of the last 10 years / B. Bakhshinategh, O. R. Zaiane., S. El Atia, D. Ipperciel // Education and Information Technologies. 2018. Vol. 23, no 1. P. 537-553. DOI: 10.1007/s10639-017-9616-z.

26. Bienkowski M., Feng M., Means B. Enhancing teaching and learning through educational data mining and learning analytics: An Issue brief. Washington, D. C. : U. S. Department of Education, 2012. 64 p.

27. Астахова Л. В., Завадский А. О. Особенности организации защиты персональных данных в образовательной организации // Вестник УрФО. Безопасность в информационной сфере. 2013. № 3 (9). С. 4-10.

28. Гаврилова И. В. Организация защиты персональных данных в образовательных учреждениях // Новые информационные технологии в образовании : материалы VII международной научно-практической конференции / Российский государственный профессионально-педагогический университет. Екатеринбург, 11-14 марта 2014 г. Екатеринбург, 2014. С. 509-513.

29. Толмачев В. В. Проблемы защиты персональных данных в образовательных организациях // Известия АСОУ Научный ежегодник. 2015. Т. 1. С. 126-141.

30. Хлыстова Д. А., Попов К. Г. К вопросу о моделировании угроз персональным данным пользователей в системах дистанционного обучения образовательных организаций // Международный студенческий научный вестник. 2016. № 3-1. С. 96-97.

31. АбруковВ.С., ПетроваМ.В., Ануфриева Д. А. Методы интеллектуального анализа данных при моделировании образовательного процесса в вузе // Вопросы повышения эффективности профессионального образования в современных условиях. XXI и XXII Всероссийские научнопрактические конференции / Филиал Кубанского гос. унта в г. Славянске-на-Кубани. Славянск-на-Кубани, 29 января - 22 июня 2014 г. Славянск-на-Кубани, 2014. С. 86-90.

32. СтаинД. А., Часовских В. П. Исходные данные модели образовательного процесса вуза в среде современных web-технологий // Современные проблемы науки и образования. 2015. № 1. С. 164.

33. Анисимов А. В. Построение системы дистанционного образования на основе технологий доступа к образовательным удаленным базам данных // Информационные системы и технологии в моделировании и управлении : материалы всероссийской научно-практической конференции, Ялта, 23-24 мая 2016 г. Ялта, 2016. С. 164-168.

34. Горутько Е. Н. Применение интеллектуального анализа данных в задаче оценки качества электронных образовательных ресурсов // Перспективы развития информационных технологий. 2016. № 30. С. 103-108.

35. Веряев А. А., Татарникова Г. В. Educational Data Mining и Learning Analytics-направления развития образовательной квалитологии // Преподаватель XXI век. 2016. Т. 1, № 2. С. 151-160.

36. Учебная аналитика МООК как инструмент прогнозирования успешности обучающихся / Т. Ю. Быстрова, В. А. Ларионова, Е. В. Синицын, А. В. Толмачев // Вопросы образования. 2018. № 4. С. 139-166. DOI: //10.17323/1814-95 45-2018-4-139-166.

37. Котова Е. Е., Писарев А. С. Задача классификации учащихся с использованием методов интеллектуального анализа данных // Известия СПбГЭТУ «ЛЭТИ». 2019. № 4. С. 32-43.

38. Are we on our way to becoming a «helicopter univer-sity»? Academics’ views on learning analytics / J. A. Howell, L. D. Roberts, K. Seaman, D. C. Gibson // Technology, Knowledge and Learning. 2018. Vol. 23, no 1. P. 1-20. DOI: 10.1007/s10758-017-9329-9.

39. Research evidence on the use of learning analytics: Implications for education policy. 2016 / R. Ferguson, A. Brasher, D. Clow [et al.] // Open Research Online, The Open University. URL: http://oro.open.ac.uk/48173/1ZAnalytics%20research%20evidence.pdf (дата обращения: 11.06.2020).

40. NTU Student Dashboard // Learning Analytics Network, University of East London. 2015. URL: http://analytics.jiscinvolve.org/wp/files/2015/02/Jisc-LA-Network-Mike-Day.pdf (дата обращения: 11.06.2020).

41. Denley T. Degree Compass: A course recommendation system // EDUCAUSE Review Online. 2013. URL: https://er.educause.edu/articles/2013/9/degree-compass-a-course-recommendation-system (дата обращения: 11.06.2020).

42. Newman A., Stokes P., Bryant G. Learning to adapt: A case for accelerating adaptive learning in higher education. Boston, MA : Education Growth Advisors, 2013. 18 p.

43. Leece R., Hale R. Student Engagement and Retention through e-Motional Intelligence // Educational policy. 2009. URL: http://www.educationalpolicy.org/events/R09/PDF/Leece_E-Motion.pdf (дата обращения: 8.09.2020).

44. Davis D. Altis Consulting: HE Information Management Specialists. Presentation to the UK Learning Analytics Network. Edinburgh, 2015 // Jisk. URL: https://analytics.jiscinvolve.org/wp/files/2015/05/Jisc-LA-Network-Davis.pdf (дата обращения: 11.06.2020).

45. Leece R., Campbell E. Engaging students through social media // Journal of the Australia and New Zealand Student Services Association. 2011. Vol. 38. P. 10-15.

46. Efforts in Europe for Data-Driven Improvement of Education - A Review of Learning Analytics Research in Seven Countries / J. Nouri, M. Ebner, D. Ifenthaler [et al.] // International Journal of Learning Analytics and Artificial Intelligence for Education (iJAI). 2019. Vol. 1, no 1. P. 8-27. DOI: 10.3991/ijai.v1i1.11053.

47. Терентьев Е., Захарова У. «Это работает!»: переход на удаленный режим работы и дистанционное обучение в оценках преподавателей российских университетов // Шторм первых недель: как высшее образование шагнуло в реальность пандемии / Национальный исследовательский университет «Высшая школа экономики», Институт образования. Москва, 2020. С. 67-79.

48. Цифровая грамотность российских педагогов. Готовность к использованию цифровых технологий в учебном процессе // Т. А. Аймалетдинов, Л. Р. Баймуратова, О. А. Зайцева [и др.]. Москва: НАФИ, 2019. Т. 84. C. 43-44.

49. Buckingham Shum S. J., McKay T. A. Architecting for Learning Analytics: Innovating for Sustainable Impact // EDUCAUSE Review Online. 2018. URL: https://er.educause.edu/articles/2018/3/architecting-for-learning-analytics-innovating-for-sustainable-impact (дата обращения: 11.06.2020).

50. Jones K. M. L. Learning analytics and higher education: a proposed model for establishing informed consent mechanisms to promote student privacy and autonomy // International Journal of Educational Technology in Higher Education. 2019. Vol. 16, no 1. P 16-24. DOI: 10.1186/s41239-019-0155-0.

51. Бурова Н. В. Прозрачность и открытость информационных систем и данных образовательных учреждений для инновационного развития системы высшего образования // Повышение открытости отечественной статистики : материалы Международной научно-практической конференции, посвященной профессиональному празднику - Дню работника статистики / ФГБОУ ВО «РЭУ им. Г В. Плеханова». Москва, 2016. С. 26-31.

52. Slade S., Tait A. Global guidelines: Ethics in learning analytics. 2019 // International Council for Open and Distance Education. URL: https://static1.squarespace.com/static/5b99664675f9eea7a3ecee82/t/5ca37c2a24a694a94e0e515c/1554218087775/Global+guidelines+for+Ethics+in+Learning+Analytics+Web+ready+March+2019.pdf (дата обращения: 11.06.2020).

53. Фишман Б. Е. О субъектности студента вуза в образовательной деятельности // Высшее образование в России. 2019. № 5. С. 145-154. DOI: 10.31992/0869-36172019-28-5-145-154.

54. Meyer J. W., Rowan B. The structure of educational organizations // Schools and society: A sociological approach to education. 1978. Pine Forge Press, 2008. P. 217-225.

55. Университетские преподаватели и цифровизация образования: накануне дистанционного форс-мажора / Р. Н. Абрамов, И. А. Груздев, Е. А. Терентьев [и др.] // Университетское управление: практика и анализ. 2020. Т. 24, № 2. C. 59-74. DOI: 10.15826/umpa.2020.02.014.

56. Майер-Шенбергер В., Кукьер К. Большие данные. Революция, которая изменит то, как мы живем, работаем и мыслим. Москва : Манн, Иванов и Фербер, 2014. 240 с.

57. Analysis of user profiles in social networks to search for promising entrants / A. Feshchenko, V. Goiko, G. Mozhaeva [et al.] // INTED2017 Proceedings. 11th international technology, education and development conference, 6-8 March 2017, Valencia (Spain). P. 5188-5194. DOI: 10.21125/inted.2017.1203.